Ebben a blogbejegyzésben részletesen bemutatom, hogyan fedezhet fel abnormális viselkedési mintákat a LuckyTemplates adatkészleteiben . Ez nem olyan dolog, ami azonnal feltűnik, amikor elemzést futtat az adatokon, ezért elég analitikusan kell gondolkodnia rajta. Az oktatóanyag teljes videóját a blog alján tekintheti meg.
Ha alaposan átgondolja, mit szeretne elérni, majd felállít egy adatmodellt, amely megfelel az ilyen típusú számításokhoz, kiváló minőségű eredményeket érhet el.
Ebben a példában megpróbáljuk megérteni, mit tett az ügyfél korábban. Azt is értékelni fogjuk, hogy a közelmúltbeli vásárlások normálisak vagy abnormálisak-e a múltban történtekhez képest.
Tartalomjegyzék
Fedezze fel a kiugró értékeket a LuckyTemplates adatkészleteiben
Gondoljuk ezt kereskedelmi szempontból. Tegyük fel, hogy egy online kiskereskedő, egy légitársaság vagy egy szupermarket vagyunk, és be kell vezetnünk egy hűségprogramot.
Meg kell vizsgálnunk az ügyféladatkészletünket, hogy megtudjuk, mennyit vásárolt ténylegesen egy ügyfél az egyes negyedévekben, szemben azzal, hogy átlagosan mennyit vásárolt.
Hirtelen azt látjuk, hogy a vásárlási minták vagy a vásárlási magatartás jelentős mértékben megnövekszik vagy csökken. Szeretnénk megérteni, miért vásárolnak sokkal többet a szokásosnál, vagy miért vásárolnak kevesebbet a szokásosnál.
Így riasztásokat hozhatunk létre a CRM rendszerünkben, majd hagyhatjuk, hogy értékesítési csapatunk megcélozza ezeket az embereket kedvezmények vagy kuponok kiosztásával.
Ez egy igazán erőteljes betekintés, amelyet a LuckyTemplatesből meríthet. Az elemzésből kinyerhető érték pozitív hatással lehet vállalkozására.
Vásárolt egyedi termékek
Az egy adott negyedévben vásárolt termékek átlagának kiszámításához először ki kell számítanunk a vásárolt egyedi termékek számát. Minden egyes vásárló hány egyedi terméket vásárolt?
Ezt úgy tudjuk megtudni, ha azt mondjuk, hogy bármilyen ügyfélkörnyezet esetén kidolgozzuk aa termékazonosítót az értékesítési táblázatban.
Ez a képlet minden olyan egyedi terméket ad nekünk, amelyet a vásárló a jelenlegi helyzetben vásárolt tőlünk.
A fenti képlet alapján, amikor 2017 első negyedévére kattintunk, azt láthatjuk, hogy Aaron Day vásárló csak 1 terméket vásárolt.
Átlagos, negyedévente vásárolt termékek
Ezt a képletet fogjuk használni ennek a konkrét betekintésnek a létrehozásához. Azt fogja mondani, hogy egy adott vásárló átlagosan mennyit vásárolt egy negyedévben.
Átlagos termékek, amelyeket minden negyedévben vásároltak
A következő dolog, amire szükségünk van, egy benchmark vagy egy szám, amellyel összehasonlíthatjuk valamivel, hogy megértsük, mi az abnormális viselkedés.
Ezután ugyanazt a betekintést fogjuk kiszámítani, de nem tekintünk egyetlen dátumra sem. Minden kontextust kiadunk a dátumokon.
Ez a képlet azt jelenti, hogy egy adott vásárló esetében minden negyedévben visszaadja az átlagos egyedi termékeket. Így érjük el ezt a sajátos belátást.
Tehát most két értékünk van. Amikor kiválasztunk (pl. 2017 második negyedévében), a Minden negyedévben vásárolt termékek átlaga oszlop soha nem fog megváltozni az ÖSSZES dátum funkció miatt . Ez a funkció eltávolítja a dátumokból megjelenített szűrőket.
Minden egyes választásunkkal változni fog az Egy negyedévben vásárolt termékek átlaga oszlopban.
A két oszlop összehasonlításával megtudhatjuk, hogy mi normális és mi nem.
Az eddigieket egy vizuális diagramba foglalhatjuk a mélyebb elemzés érdekében. Nagyon gyorsan láthatjuk, hogy ügyfeleink hány terméket vásároltak egy adott negyedévben (jobb oldalon), szemben azzal, hogy átlagosan mennyit vásárolnak (bal oldal).
A LuckyTemplates adatkészleteinkből láthatjuk a rendellenes viselkedést, és láthatjuk, hogy mely ügyfelek növelték vásárlásaikat. Kik ezek az emberek, és miért csinálják?
Az összegyűjtött adatokkal felvértezve végrehajtható stratégiákat alkalmazhatunk ennek megismétlésére.
Felerősíthetjük marketingüzenetünket, hogy növeljük azok vásárlásait, akik nem produkálnak rendellenes viselkedést.
Következtetés
Ez az a hely, ahol egy abnormális, kiugró vagy anomáliás típusú elemzés sok értéket ad hozzá. Miért? Mert szeretnénk megérteni, hogy ügyfeleink jobban teljesítenek-e, vagy az értékesítők többet adnak el.
Ha az adataink egy adott szegmensében találunk számunkra pozitív viselkedési mintákat, akkor ezt más szegmensekben is megismételhetjük.
A cél az előnyös vásárlói magatartás megismétlése és alkalmazása az üzlet más területein.
Ez a technika nagymértékben segít abban, hogy növelje analitikus gondolkodását a LuckyTemplates által elért eredmények körül.
Az ilyen típusú elemzések és még sok más megtalálható a LuckyTemplates Online Advanced LuckyTemplates moduljaiban . További részletekért tekintse meg az alábbi modult.
Élvezze ennek áttekintését.
Ebből a blogból megtudhatja, hogyan mentheti automatikusan az e-mail mellékleteket a SharePointba, majd törölheti az e-maileket a Power Automate segítségével.
A Microsoft LuckyTemplates irányítópult 18 legjobb példája 2023
Ismerje meg, hogyan hozhat létre <strong>Power Automate</strong> folyamatokat a semmiből. Sablon használata helyett mi magunk hozzuk létre a kiváltó okokat és a műveleteket.
4 módszer a Pi használatára a Pythonban példákkal
Ebben az útmutatóban bemutatom, hogyan lehet Pénzügyi információk mátrixát létrehozni a Profit és veszteség (P&L) kimutatással a LuckyTemplates alkalmazásban.
Fedezze fel, hogyan lehet dinamikusan egyesíteni oszlopokat a Power Query Table.CombineColumns függvény segítségével.
Ismerje meg, hogyan adhatjuk hozzá és szinkronizálhatjuk SharePoint-fájljainkat az asztalon és a OneDrive-on.
Tudja meg, miért fontos egy dedikált dátumtáblázat a LuckyTemplatesben, és ismerje meg ennek leggyorsabb és leghatékonyabb módját.
Ez a rövid oktatóanyag kiemeli a LuckyTemplates mobil jelentési funkcióját. Megmutatom, hogyan készíthet hatékony jelentéseket mobileszközökön.
Ebben a LuckyTemplates bemutatóban olyan jelentéseket tekintünk át, amelyek professzionális szolgáltatáselemzést mutatnak be egy olyan cégtől, amely több szerződéssel és ügyfél-elkötelezettséggel rendelkezik.
